🧬 biology

PACER: Acyclic Causal Discovery from Large-Scale Interventional Data

PACER 是一个可扩展且能保证无环性的因果发现框架，它通过变量排列和边概率对有效有向无环图上的分布进行参数化，从而能够在大规模干预数据上实现高效优化，同时避免了软约束带来的数值不稳定性。

原作者： Ramon Viñas Torné, Sílvia Fàbregas Salazar, Soyon Park, Ivo Alexander Ban, Artyom Gadetsky, Nikita Doikov, Maria Brbić

发布于 2026-05-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ramon Viñas Torné, Sílvia Fàbregas Salazar, Soyon Park, Ivo Alexander Ban, Artyom Gadetsky, Nikita Doikov, Maria Brbić

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象你是一名侦探，试图理清一个庞大而混乱的组织中的指挥链。你拥有两类线索：

观察性数据：你观察人们正常工作的情况。你看到当 A 打喷嚏时，B 经常咳嗽。但究竟是 A 导致 B 咳嗽，还是第三个人 C 让两人都生病了？仅凭观察很难判断。
干预性数据：你主动干预人们。你告诉 A 停止打喷嚏。现在，如果 B 停止咳嗽，你就确定 A 就是原因。

问题在于，在生物学等领域，这个“组织”拥有成千上万名员工（基因或蛋白质）。试图绘制出谁向谁汇报的图谱，就像试图拼凑一个拼图，其中的拼块不断改变形状，而游戏规则又极其复杂。

现在登场的是PACER，一款旨在解决这一难题的新工具。以下是其工作原理的简明解释：

旧方法：“软”约束

以往的方法试图通过绘制一张巨大的图谱，然后添加一条“软”规则来解决这个问题，该规则说：“嘿，尽量不要形成任何环路。”（在因果图中，环路就像 A 导致 B，B 导致 C，而 C 又导致 A——这在真实的层级结构中是不可能的）。

但由于这条规则是“软”性的，计算机经常意外地画出环路。它不得不花费大量时间和能量来检查和修复这些环路，往往在数值混乱中陷入困境，或者在图谱过大时崩溃。这就像试图搭建一座积木塔，同时不断有人告诉你“别让它倒下”，但积木很滑，塔身却越搭越高。

PACER 方法：按蓝图建造

PACER 改变了游戏规则，它在设计图谱时就确保环路从一开始就不可能存在。

想象一下组织一队人。

队列（排列）：PACER 首先为每个人确定一个严格的顺序。假设它将他们从“老板”到“实习生”排成一列。在这个队列中，老板可以向排在后面的人下达指令，但实习生绝不可能向排在前面的人下达指令。
连接（边）：一旦队列确定，PACER 决定具体哪些人之间确实存在交流。它对每一对可能的组合抛一次硬币：“老板会和实习生交谈吗？”如果是，就画一条线；如果否，就不画。

由于每个人都被严格地按顺序排列在队列中，从数学上讲，根本不可能形成环路。你无法沿着队列往回走。这意味着 PACER 从不浪费时间检查环路或修复错误，而是瞬间构建出有效的结构。

超能力：“魔法公式”

该论文强调了 PACER 在关系呈线性（如简单的因果关系链）时使用的一种特殊技巧。

通常，为了找出最佳图谱，你必须模拟成千上万张随机图谱，检查它们，然后取平均值。这非常缓慢。
然而，PACER 推导出了一个闭式数学公式（即“魔法公式”），能够瞬间计算出那成千上万次模拟的平均结果，而无需实际运行它们。

类比：想象你想知道一群人的平均身高。
- 旧方法：逐一测量每个人。
- PACER：使用一个公式，根据人群的分布直接得出平均身高，完全跳过测量过程。

这使得 PACER 能够在极短的时间内处理成千上万个变量（基因/蛋白质），而其他方法则需要更长的时间。论文声称，其速度比现有最佳工具快100 倍。

他们用它测试了什么？

作者在真实的生物数据上测试了 PACER：

蛋白质信号传导：一个包含 11 种蛋白质的小型网络。PACER 发现的连接关系与现有最佳方法相当，甚至更好。
大规模遗传扰动：他们在涉及数千个基因的大型数据集上进行了测试（来自 RPE1 和 K562 等细胞系）。
- 结果：当其他方法在这些大型数据集上崩溃或需要数小时运行时，PACER 在几分钟内就解决了问题。
- 准确性：即使数据存在噪声，它也能正确识别基因之间的相互影响。

核心结论

PACER 是一种在巨大复杂系统中发现因果关系的新方法。它不是与游戏规则作斗争（试图阻止环路），而是通过设计构建游戏棋盘，使环路在本质上就不可能存在。这使得它极其快速、稳定，并且能够处理现代生物学中发现的大规模数据集，让科学家能够比以往更高效地绘制出活细胞中的“指挥链”。

技术摘要：PACER——从大规模干预数据中进行无环因果发现

问题陈述

从数据中推断有向无环图（DAG）的结构是因果发现中的根本挑战。虽然仅凭观测数据只能识别马尔可夫等价类下的因果图，但整合干预数据可通过解决因果模糊性显著提高可识别性。然而，随着系统维度的增加（例如在基因组学中涉及数千个变量），现有方法面临严重的可扩展性瓶颈。

现代可微因果发现方法，如 NOTEARS 及其变体（DCDI、DCDFG），将结构学习重构为连续优化问题。这些方法通常通过软惩罚（例如基于矩阵指数或谱半径的增广拉格朗日惩罚）来强制无环性。这种方法存在三个主要局限性：

无效搜索空间：优化过程在有环图上执行，这些图缺乏定义良好的联合似然，需要昂贵的后处理剪枝。
数值不稳定性：随着节点数量的增加，无环性约束的计算复杂性导致数值不稳定和不可接受的运行时间。
可扩展性：对代理惩罚的依赖以及约束梯度的 $O(n^3)$ 或 $O(n^4)$ 复杂性将这些方法限制在小到中等规模的图，无法扩展到现代高通量扰动筛选中发现的数千个变量。

方法：PACER

作者引入了 PACER（扰动驱动的无环因果边恢复），这是一个通过构造而非惩罚项来保证无环性的框架。PACER 通过直接在 DAG 空间上定义概率分布来运行，从而在有效的搜索空间内进行优化。

1. 伯努利 - 普拉凯特 - 卢斯分布

PACER 使用两个组件对 DAG 空间进行建模：

拓扑排序：它采用 普拉凯特 - 卢斯分布（Plackett-Luce distribution） 来建模变量排列的分布。一个排列 $\pi$ 定义了有效的拓扑排序，确保任何边 $i \to j$ 意味着 $\pi^{-1}_i < \pi^{-1}_j$ 。
边概率：它利用独立的 伯努利分布 来定义一个二值掩码 $B$ 以剪枝边。
联合模型：这种组合产生了 伯努利 - 普拉凯特 - 卢斯分布， $p(\pi, B | \theta, P)$ 。边 $a_{ij}$ 存在当且仅当边掩码指示 $b_{ij}=1$ 且排列将 $i$ 置于 $j$ 之前。这种公式确保每个采样的图在设计上都是严格无环的。

2. 目标函数

PACER 最大化所有干预机制下未干预变量的期望对数似然。目标函数 $S(\Theta, \Omega)$ 定义为：
$S(\Theta, \Omega) = \mathbb{E}_{M' \sim M(\Theta)} [f(M', \Omega)] - \lambda \| \mathbb{E}[M(\Theta)] \|_1$
其中 $f(M', \Omega)$ 是干预对数似然，第二项是鼓励稀疏性的 $\ell_1$ 惩罚。关键在于，由于采样分布 $M(\Theta)$ 仅生成 DAG，因此不需要无环性约束。

3. 优化策略

PACER 根据假设的因果机制提供两种不同的优化路径：

一般情况（REINFORCE）：对于任意条件密度（例如神经参数化），PACER 使用带有平均基线的 REINFORCE 算法（Williams, 1992）来估计梯度。这允许对非线性和非高斯机制进行灵活建模。
线性高斯情况（解析解）：对于线性高斯机制，作者推导了期望干预对数似然的 闭式表达式。这完全消除了对蒙特卡洛采样的需求。解析梯度计算将每步复杂度从惩罚类方法典型的 $O(n^3)$ 降低到 $O(n^2)$ ，使其能够扩展到数千个变量。

4. 先验的整合

该框架支持直接整合结构先验知识。普拉凯特 - 卢斯参数（ $\theta$ ）可以基于预期的节点中心性进行初始化，伯努利概率（ $P$ ）可以设置为强制或禁止特定边（例如，仅限制转录因子的调控）。

主要贡献

设计即无环：PACER 是第一个可扩展框架，通过排列和边掩码的概率模型将搜索空间限制为 DAG，从而保证无环性，消除了对代理无环性惩罚的需求。
可扩展性：通过推导线性高斯假设下期望对数似然的解析表达式，PACER 实现了 $O(n^2)$ 的计算复杂度，使其能够扩展到数千个变量的网络，而基于惩罚的方法在此规模下会失效。
统一框架：它为观测数据和干预数据提供了统一的基于似然的处理方法，支持灵活的条件密度和结构先验。
精确梯度计算：针对线性高斯机制推导的闭式梯度避免了高维下基于采样估计器相关的方差和不稳定性。

实验结果

作者在合成基准和真实世界数据集上评估了 PACER，包括蛋白质信号网络和大规模遗传扰动数据。

合成可扩展性：在多达 50 个变量的合成数据集上，PACER 保持了结构准确性，而其他可微基线（如 DCDI）则变得数值不稳定或超出时间限制。PACER 在线性高斯机制下扩展到 1,000 个变量，其运行时间比基于惩罚的方法快 两个数量级。
蛋白质信号（Sachs 等人，2005）：在观测和干预设置中，PACER 在结构汉明距离（SHD）、结构干预距离（SID）和 F1 分数方面匹配或超过了最先进的方法（如 GIES、CAM、NOTEARS）。它成功恢复了经典信号通路（例如 PKC→RAF→MEK→ERK）。
大规模遗传扰动（CausalBench 和 Perturb-CITE-seq）：
- 在 CausalBench 基准（RPE1 和 K562 细胞系）上，PACER 取得了顶级的 Wasserstein 距离分数，同时比竞争的可微方法（DCDFG、NOTEARS）快 300 多倍。
- 在 Perturb-CITE-seq 数据集（约 1,000 个基因，248 次扰动）上，PACER 取得了最佳的干预负对数似然和平均绝对误差，其运行时间比 DCDFG 快 300 倍。
鲁棒性：PACER 对超参数变化（稀疏系数 $\lambda$ ）表现出鲁棒性，并在不完善的干预场景（脱靶效应和软干预）下保持了性能。

意义与主张

该论文声称，PACER 证明了 通过原则性的搜索空间设计，可以从高维扰动数据中实现精确且可扩展的因果发现。

通过远离软无环性约束并直接对 DAG 上的分布进行建模，PACER 克服了将可微因果发现限制在小图中的计算和数值障碍。作者将 PACER 定位为系统生物学和基因组学现代高维环境中的实用解决方案，在这些环境中，从大规模干预数据中理解因果机制至关重要，但此前在计算上是不可行的。该框架被呈现为一种利用领域知识和实验验证的假设生成工具，而非独立的决策系统。